Kunstig Intelligens til Brætspillet Taiji - Danmarks Tekniske Universitet
Kunstig Intelligens til Brætspillet Taiji - Danmarks Tekniske Universitet Kunstig Intelligens til Brætspillet Taiji - Danmarks Tekniske Universitet
84 Test og sammenligning af de implementerede AI’er 7.2.3 Test af AlphaBeta AI mod menneskelig modstander: Her bliver AlphaBeta AI’en sat op imod en erfaren menneskelig modstander. AlphaBeta (sort) mod erfaren menneskelig spiller (hvid): 9x9 Hvid score Sort score stilling for AI 17 18 Vundet 10 11 Vundet 20 12 Tabt 24 14 Tabt 17 18 Vundet I alt 88 73 60% AlphaBeta (hvid) mod erfaren menneskelig spiller (sort): 9x9 Hvid score Sort score stilling for AI 15 18 Tabt 16 15 Vundet 20 22 Tabt 16 20 Tabt 14 14 Uafgjort I alt 81 89 30% Samlet set har AlphaBeta vundet 4 spil, tabt 5 og et endte i uafgjort. Dette giver en vindings procent p˚a 45% . N˚ar det kommer til ren score har den gennemsnitligt tabt med 2,3 point. Dens sejre har alle været snævre, mens nogle af dens nederlag har være af større karakter. Den menneskelige spiller har aldrig brugt mere end 5 sekunder p˚a sine træk. Dette har været tilstrækkeligt til udelukkende at sejr over Néstor’s AI, dette har dog ikke været tilfældet her, hvor kun 55% har været sejre. Menneskelige spiller er svære at h˚andtere, n˚ar det kommer til holde præstationen konstant. Motivation, mental tilstand, humør og t˚almodighed spiller alle ind p˚a kvaliteten af den menneskeliges spillers præstation, for ikke at nævne den konstant stigende erfaring med spillet. Det er derfor en god ide at opstille nogle rammer for den menneskelige modstand. F.eks. har den menneskelig modstander hidtil ikke brugt mere end fem sekunder p˚a at tænke over sit træk. Dette kan bruges som en regel til at holde den menneskelige modstander niveau lidt nede. Alternativ kun en regel, som at der minimum skal g˚a 15 sekunder før den menneskelige spiller foretager et træk, hjælper til at holde niveauet oppe. Det høje niveau har ikke været nødvendigt mod Néstor’s AI, men det kunne være interessant at prøve det op imod AlphaBeta AI’en for at se om dette giver
7.3 Test af LocalArea AI (designet og udviklet af Morten Rask) 85 indflydelse p˚a resultatet. AlphaBeta (sort) mod erfaren menneskelig spiller min 15 sek (hvid): 9x9 Hvid score Sort score stilling for AI 25 13 Tabt 10 12 Vundet 15 12 Tabt 17 12 Tabt 18 11 Tabt I alt 85 60 20% AlphaBeta (hvid) mod erfaren menneskelig spiller min 15 sek (sort): 9x9 Hvid score Sort score stilling for AI 11 14 Tabt 14 26 Tabt 11 21 Tabt 9 9 Uafgjort 13 14 Tabt I alt 58 84 10% Det ekstra betænkningstid, som er blevet p˚atvunget den menneskelige spiller, har givet resultat. AlphaBeta AI’ens sejrs procent er g˚aet ned fra 45% til kun 15% . Dette er uden tvivl et resultat af færre fejl p˚a grund bedre overvejede beslutninger fra den menneskelige side. 7.3 Test af LocalArea AI (designet og udviklet af Morten Rask) LocalArea AI’en benytter en minimax søgning med alpha beta pruning til at søge et omr˚ade p˚a fire gange fire helt til bunds, uanset brættets størrelse. Dette omr˚ade placeres omkring modstanderens sidst lagte brik, er der ingen frie pladser inden for dette omr˚ade flyttets det til et sted hvor der er.
- Page 44 and 45: 34 Kunstig Intelligens 3.1.10 Figur
- Page 46 and 47: 36 Kunstig Intelligens 3.2.1 Nodes:
- Page 48 and 49: 38 Kunstig Intelligens at udvide de
- Page 50 and 51: 40 Minimax først søgningen, da de
- Page 52 and 53: 42 Minimax 4.3 Spilgraf for 3x3 Tai
- Page 54 and 55: 44 Minimax Herunder ses spilgrafen
- Page 56 and 57: 46 Minimax Herunder ses spilgrafen
- Page 58 and 59: 48 Minimax Som det kan ses ender sp
- Page 60 and 61: 50 Minimax Det kan ses at alle de e
- Page 62 and 63: 52 Optimering af Minimax Figur 5.1:
- Page 64 and 65: 54 Optimering af Minimax Figur 5.4:
- Page 66 and 67: 56 Optimering af Minimax som et uni
- Page 68 and 69: 58 Optimering af Minimax Det er der
- Page 70 and 71: 60 Optimering af Minimax klarer sig
- Page 72 and 73: 62 Optimering af Minimax IF v < m T
- Page 74 and 75: 64 Optimering af Minimax er tilfæl
- Page 76 and 77: 66 Optimering af Minimax Figur 5.9:
- Page 78 and 79: 68 Optimering af Minimax vigtigt at
- Page 80 and 81: 70 Optimering af Minimax
- Page 82 and 83: 72 Begrænsning af antallet af unde
- Page 84 and 85: 74 Begrænsning af antallet af unde
- Page 86 and 87: 76 Begrænsning af antallet af unde
- Page 88 and 89: 78 Test og sammenligning af de impl
- Page 90 and 91: 80 Test og sammenligning af de impl
- Page 92 and 93: 82 Test og sammenligning af de impl
- Page 96 and 97: 86 Test og sammenligning af de impl
- Page 98 and 99: 88 Test og sammenligning af de impl
- Page 100 and 101: 90 Test og sammenligning af de impl
- Page 102 and 103: 92 Konklusion selv n˚a igennem et
- Page 104 and 105: 94 Konklusion
- Page 106 and 107: 96 Bilag A 19 20 // i n i t i a l i
- Page 108 and 109: 98 Bilag A 120 nodes [ p [ 0 ] ] [
- Page 110 and 111: 100 Bilag A 218 i f ( n . a > beta
- Page 112 and 113: 102 Bilag A 319 p [2]= nodes [ p [
- Page 114 and 115: 104 Bilag A 419 420 421 422 423 424
- Page 116 and 117: 106 Bilag A 517 n . wr = tModel . n
- Page 118 and 119: 108 Bilag A 61 } 62 } 63 64 // c h
- Page 120 and 121: 110 Bilag A 155 b [ c +1][ r −1]
- Page 122 and 123: 112 Bilag A 251 b [ c −1][ r −1
- Page 124 and 125: 114 Bilag A 347 r e = placePieceMax
- Page 126 and 127: 116 Bilag A 443 r e = placePieceMax
- Page 128 and 129: 118 Bilag A 537 b [ c +1][ r −1]
- Page 130 and 131: 120 Bilag A 633 b [ c −1][ r −1
- Page 132 and 133: 122 Bilag A 729 beta = r e [ 2 ] ;
- Page 134 and 135: 124 Bilag A 825 beta = r e [ 2 ] ;
- Page 136 and 137: 126 Bilag A 916 i f ( n . a > v ) 9
- Page 138 and 139: 128 Bilag A 997 Root . wc=0; // tMo
- Page 140 and 141: 130 Bilag A 1097 n . bc = tModel .
- Page 142 and 143: 132 Bilag A 93 i f ( rowEnd >= tMod
7.3 Test af LocalArea AI (designet og udviklet af Morten Rask) 85<br />
indflydelse p˚a resultatet.<br />
AlphaBeta (sort) mod erfaren menneskelig spiller min 15 sek (hvid):<br />
9x9 Hvid score Sort score s<strong>til</strong>ling for AI<br />
25 13 Tabt<br />
10 12 Vundet<br />
15 12 Tabt<br />
17 12 Tabt<br />
18 11 Tabt<br />
I alt 85 60 20%<br />
AlphaBeta (hvid) mod erfaren menneskelig spiller min 15 sek (sort):<br />
9x9 Hvid score Sort score s<strong>til</strong>ling for AI<br />
11 14 Tabt<br />
14 26 Tabt<br />
11 21 Tabt<br />
9 9 Uafgjort<br />
13 14 Tabt<br />
I alt 58 84 10%<br />
Det ekstra betænkningstid, som er blevet p˚atvunget den menneskelige spiller,<br />
har givet resultat. AlphaBeta AI’ens sejrs procent er g˚aet ned fra 45% <strong>til</strong> kun<br />
15% . Dette er uden tvivl et resultat af færre fejl p˚a grund bedre overvejede<br />
beslutninger fra den menneskelige side.<br />
7.3 Test af LocalArea AI (designet og udviklet<br />
af Morten Rask)<br />
LocalArea AI’en benytter en minimax søgning med alpha beta pruning <strong>til</strong> at<br />
søge et omr˚ade p˚a fire gange fire helt <strong>til</strong> bunds, uanset brættets størrelse. Dette<br />
omr˚ade placeres omkring modstanderens sidst lagte brik, er der ingen frie pladser<br />
inden for dette omr˚ade flyttets det <strong>til</strong> et sted hvor der er.